【Hive】自定义函数

  Hive的自定义函数无法满足实际业务的需要,所以为了扩展性,Hive官方提供了自定义函数来实现需要的业务场景。

1、定义

(1)udf(user defined function):  自定义函数,特点是输入一行,输出一行

(2)udaf(user defined aggregation function):自定义聚合函数,特点是输入多行,输出一行

(3)udtf(User-Defined Table-Generating Functions):自定义拆分函数,特点是输入一行,输出多行

2、使用

(1)开发UDF

  函数类需要继承org.apache.hadoop.hive.ql.UDF

  实现evaluate函数

 (2)开发UDAF

  函数类需要继承UDAF类,内部类Evaluator实UDAFEvaluator接口。  

  Evaluator需要实现 init、iterate、terminatePartial、merge、terminate这几个函数.

  init函数实现接口UDAFEvaluator的init函数。

  iterate接收传入的参数,并进行内部的轮转。其返回类型为boolean。

  terminatePartial无参数,其为iterate函数轮转结束后,返回轮转数据,terminatePartial类似于hadoop的Combiner。

    merge接收terminatePartial的返回结果,进行数据merge操作,其返回类型为boolean。

  terminate返回最终的聚集函数结果。

 (3)开发UDTF   

  函数类需要继承org.apache.hadoop.hive.ql.udf.generic.GenericUDTF

  实现initialize, process, close三个方法。

  initialize方法返回UDTF的返回行的信息(返回个数,类型)

  process方法对传入的参数进行处理,可以通过forword()方法把结果返回

  close()方法需要清理的方法进行清理

3.项目示例

 (1)环境搭配

  因为写函数的时候所用到的jar比较多,这里我使用的是maven自动导入。

  所以我们首先建立一个maven项目,我这里使用的是hadoop2.6.0+hive1.1.0

  在配置文件中添加一下内容,然后点击更新配置

  <repositories>

   <repository>
<id>apache</id>
<url>http://maven.apache.org</url>
</repository>
</repositories>
<dependencies>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-mapreduce-client-core</artifactId>
<version>2.6.0</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-common</artifactId>
<version>2.6.0</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-mapreduce-client-common</artifactId>
<version>2.6.0</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-mapreduce-client-jobclient</artifactId>
<version>2.6.0</version>
</dependency>
<dependency>
<groupId>org.apache.hive</groupId>
<artifactId>hive-exec</artifactId>
<version>1.1.0</version>
</dependency>
</dependencies>
(2)编写UDTF
   继承org.apache.hadoop.hive.ql.udf.generic.GenericUDTF,实现initialize, process, close三个方法。
UDTF首先会调用initialize方法,此方法返回UDTF的返回行的信息(返回个数,类型)。
初始化完成后,会调用process方法,真正的处理过程在process函数中,
在process中,每一次forward()调用产生一行;如果产生多列可以将多个列的值放在一个数组中,然后将该数组传入到forward()函数。
最后close()方法调用,对需要清理的方法进行清理。
  
  下面是一个把map(key,value)的一列切分成key,value两列的例子
  
import java.util.ArrayList;
import org.apache.hadoop.hive.ql.udf.generic.GenericUDTF;
import org.apache.hadoop.hive.ql.exec.UDFArgumentException;
import org.apache.hadoop.hive.ql.exec.UDFArgumentLengthException;
import org.apache.hadoop.hive.ql.metadata.HiveException;
import org.apache.hadoop.hive.serde2.objectinspector.ObjectInspector;
import org.apache.hadoop.hive.serde2.objectinspector.ObjectInspectorFactory;
import org.apache.hadoop.hive.serde2.objectinspector.StructObjectInspector;
import org.apache.hadoop.hive.serde2.objectinspector.primitive.PrimitiveObjectInspectorFactory; public class ExplodeMap extends GenericUDTF{ @Override
public void close() throws HiveException {
// TODO Auto-generated method stub
} @Override
   //定义返回信息和类型
public StructObjectInspector initialize(ObjectInspector[] args)
throws UDFArgumentException {
if (args.length != 1) { //定义参数个数
throw new UDFArgumentLengthException("ExplodeMap takes only one argument");
}
if (args[0].getCategory() != ObjectInspector.Category.PRIMITIVE) {//检验参数类型
throw new UDFArgumentException("ExplodeMap takes string as a parameter");
}
     //定义返回信息,这里为两列String类型的数据
ArrayList<String> fieldNames = new ArrayList<String>();
ArrayList<ObjectInspector> fieldOIs = new ArrayList<ObjectInspector>();
fieldNames.add("col1");//定义第一列
fieldOIs.add(PrimitiveObjectInspectorFactory.javaStringObjectInspector);
fieldNames.add("col2");//定义第二列
fieldOIs.add(PrimitiveObjectInspectorFactory.javaStringObjectInspector); return ObjectInspectorFactory.getStandardStructObjectInspector(fieldNames,fieldOIs);
} @Override
public void process(Object[] args) throws HiveException {
String input = args[0].toString();
String[] test = input.split(";");
for(int i=0; i<test.length; i++) {
try {
String[] result = test[i].split(":");
forward(result);//每一次forward产生一行数据,多列可以返回一个数组
          //注意,每次forward回去的数据必须是一个数组,数组从头到尾与之前定义的返回列对应的,result[0]对应col1,result[1]对应col2
          //每次forward产生一行数据
          //数组大小取决于你之前定义返回列数
} catch (Exception e) {
continue;
}
}
}
}

 (3)打包

  我们这里采用的是用maven的命令打包

  我们打开cmd,打开到项目porm.xml文件所在目录

  然后输入mvn clean package -DskipTests=true命令

  打包成功在文件下target目录下会找到打包好的jar包

  然后我们需要把jar放在集群中再添加到hive中

  我们打开hive

  输入

  add jar + jar包绝对路径;
  create temporary function 函数明 as '项目名.类名';

  注意这里创建的是临时函数,每次使用的时候都要进行导入。

  (4)使用

  UDTF有两种使用方法,一种直接放到select后面,一种和lateral view一起使用。

  1.直接select中使用

  select explode_map(properties) as (col1,col2) from src;

  不可以添加其他字段使用

  select a, explode_map(properties) as (col1,col2) from src

  不可以嵌套调用

  select explode_map(explode_map(properties)) from src

  不可以和group by/cluster by/distribute by/sort by一起使用

  select explode_map(properties) as (col1,col2) from src group by col1, col2

  2.和lateral view一起使用

  select src.id,
mytable.col1, mytable.col2 from src lateral view
explode_map(properties) mytable as col1, col2;

  此方法更为方便日常使用。执行过程相当于单独执行了两次抽取,然后union到一个表里。 

 
上一篇:leetcode 128. Longest Consecutive Sequence ----- java


下一篇:android 进程/线程管理(二)----关于线程的迷思